Reglarea Hiperparametrilor cu Algoritmi Genetici folosind TPOT
Vei parcurge un exemplu simplu de reglare a hiperparametrilor cu algoritmi genetici. TPOT este o bibliotecă foarte puternică, cu multe funcționalități. În această lecție abia atingi suprafața, însă ești încurajat să explorezi mai mult pe cont propriu.
Acesta este un exemplu de dimensiuni reduse. În practică, TPOT este conceput să ruleze timp de mai multe ore pentru a găsi cel mai bun model. Ai folosi o populație și un număr de urmași mult mai mari, precum și sute de generații suplimentare pentru a obține un model performant.
Vei crea estimatorul, îl vei antrena pe datele de antrenament și apoi vei evalua performanța pe datele de testare.
Pentru acest exemplu dorim să folosim:
- 3 generații
- o dimensiune a populației de 4
- 3 urmași per generație
- acuratețea ca metrică de evaluare
A fost setat un random_state de 2 pentru consistența rezultatelor.
Acest exercițiu face parte din cursul
Ajustarea hiperparametrilor în Python
Instrucțiuni pentru exercițiu
- Atribuie valorile precizate în context parametrilor de intrare ai
tpot_clf. - Creează clasificatorul
tpot_clfcu parametrii corecți. - Antrenează clasificatorul pe datele de antrenament (
X_trainșiy_trainsunt disponibile în spațiul tău de lucru). - Folosește clasificatorul antrenat pentru a evalua performanța pe setul de testare (
X_testșiy_testsunt disponibile în spațiul tău de lucru).
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
offspring_size=____, scoring=____,
verbosity=2, random_state=2, cv=2)
# Fit the classifier to the training data
____.____(____, ____)
# Score on the test set
print(____.____(____, ____))